本研究由武汉大学水资源与水电工程科学国家重点实验室的李金敏、陈秀青、杨琦和史良胜（通信作者）团队完成，合作单位包括长江勘测规划设计研究有限责任公司。研究成果以《基于高光谱的水稻叶片氮含量估计的深度森林模型研究》（Deep learning models for estimation of paddy rice leaf nitrogen concentration based on canopy hyperspectral data）为题，于2021年发表在《作物学报》（Acta Agronomica Sinica）第47卷第7期，获得国家自然科学基金项目（51861125202）资助。

学术背景

氮素是作物生长必需的关键元素，参与蛋白质与核酸合成，但过量施用会导致水体污染和温室气体排放。传统破坏性取样方法效率低下，而高光谱遥感技术因其快速、无损的优势，成为作物氮素监测的重要工具。然而，高光谱数据具有高维度、非线性特征，传统回归方法（如植被指数法、偏最小二乘回归）难以充分挖掘其信息；经典机器学习算法（如随机森林RF、支持向量机SVM）虽有一定效果，但稳定性不足；深度神经网络（DNN）需要大量训练数据，而田间试验获取的叶片氮含量标签成本高昂，样本量通常仅数百个，限制了深度学习的应用。为此，本研究探索在小样本条件下（216组数据），利用深度森林（Deep Forest, DF）算法提升水稻叶片氮含量（Leaf Nitrogen Concentration, LNC）的估算精度。

研究流程与方法

1. 试验设计与数据采集

团队于2018-2019年在湖北省监利县开展连续两年田间试验，设置4个氮素水平（2018年：0、43、86、130 kg hm⁻²；2019年：0、50、100、150 kg hm⁻²），每水平3次重复，共12块试验田。使用地物光谱仪（FieldSpec F, ASD公司）采集水稻全生育期冠层高光谱反射率（350-2500 nm），剔除水分吸收带（1350-1450 nm、1800-2000 nm、2400-2500 nm）后，进行一阶导数预处理。同步测定叶片氮含量（半微量凯氏定氮法），最终获得216组有效数据（建模集162组，预测集54组）。

2. 模型构建与对比

研究提出深度森林（DF）模型，其核心创新在于多粒度扫描与级联森林结构：
- 多粒度扫描：采用三种滑动窗口（1/4、1/8、1/16特征长度）提取局部特征，通过随机森林基学习器生成增强特征向量。
- 级联森林：逐层训练并拼接特征，通过验证集精度动态终止训练，避免过拟合。

对比模型包括：
- 经典机器学习：随机森林（RF）、支持向量机（SVM）
- 深度学习：多层感知器（MLP）

所有模型基于Python实现，超参数经调优（如DF级联森林数量为10，滑动步长25），以决定系数（R²）和均方根误差（RMSE）评估性能。

主要结果

1. 光谱特征分析：不同氮素水平下，冠层光谱在可见光波段（350-680 nm）反射率随施氮量减少而升高，近红外波段（760-2500 nm）则呈相反趋势，与叶片叶绿素和蛋白质吸收特性一致。
   
2. 模型性能对比：
   
   • DF表现最优：全波段光谱反演的DF模型预测集R²=0.919（RMSE=0.327），显著优于MLP（R²=0.872）和RF（R²=0.891）。
     
   • 稳定性提升：DF将RF在可见光波段的R²p从0.804提升至0.903，且建模集与预测集R²差值缩小（全波段从0.09降至0.06），表明多粒度扫描有效缓解过拟合。
     
3. 波段适用性：DF在可见光、近红外及全波段均表现稳定（R²>0.9），而传统方法（如SVM）在可见光波段R²p仅0.755。

结论与价值

本研究首次将深度森林算法应用于田间冠层高光谱的氮素反演，证明其在小样本条件下的优越性：
- 科学价值：揭示了DF通过多粒度扫描实现特征降维与层间信息融合的机制，为高维小样本数据分析提供新思路。
- 应用价值：为农田精准管理中氮素快速监测提供了高精度、低成本的解决方案，尤其适用于数据获取受限的场景。

研究亮点

1. 方法创新：首次将DF算法引入作物氮素遥感估算，其级联结构与多粒度扫描设计解决了小样本深度学习训练的难题。
   
2. 技术突破：在216组样本条件下，DF精度超越同类研究中基于SAE-FNN算法的结果（R²=0.903），且适应复杂田间环境。
   
3. 跨波段鲁棒性：DF在可见光与近红外波段均保持高精度，克服了传统方法依赖特定波段的局限性。
   

其他发现

研究指出，尽管所有模型均存在过拟合（如RF建模集R²c=0.982 vs. 预测集R²p=0.891），但DF通过特征降维显著减轻了这一现象，为小样本高光谱建模提供了实践参考。